基于异构图神经网络的以太坊欺诈检测
机器学习
2022-07-05 v3 密码学与安全
社会与信息网络
摘要
尽管以以太坊为代表的加密货币交易日益普遍，欺诈及其他犯罪交易并不少见。图分析算法与机器学习技术可在大型交易网络中检测导致钓鱼的可疑交易。许多图神经网络(GNN)模型被提出以将深度学习技术应用于图结构。尽管已有利用 GNN 模型在以太坊交易网络中进行钓鱼检测的研究，但解决顶点与边数量规模以及标签不平衡问题的模型尚未被研究。本文中，我们在真实以太坊交易网络数据集与钓鱼举报标签数据上比较了 GNN 模型的性能，详尽对比验证何种 GNN 模型与超参数能取得最佳准确率。具体而言，我们评估了考虑单一类型节点与边的代表性同构 GNN 模型，以及支持不同类型节点与边的异构 GNN 模型的性能。我们表明异构模型比同构模型具有更好的模型性能。特别地，RGCN 模型在总体指标上取得了最佳性能。
引用
@article{arxiv.2203.12363,
title = {Ethereum Fraud Detection with Heterogeneous Graph Neural Networks},
author = {Hiroki Kanezashi and Toyotaro Suzumura and Xin Liu and Takahiro Hirofuchi},
journal= {arXiv preprint arXiv:2203.12363},
year = {2022}
}
备注
8 pages, 5 figures, Accepted to KDD'22 Workshop on Mining and Learning with Graphs